論文の概要: Adaptive Dense Pseudo Label Selection for Semi-supervised Oriented
Object Detection
- arxiv url: http://arxiv.org/abs/2311.12608v1
- Date: Tue, 21 Nov 2023 13:49:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-23 00:28:36.706892
- Title: Adaptive Dense Pseudo Label Selection for Semi-supervised Oriented
Object Detection
- Title(参考訳): 半教師付きオブジェクト指向物体検出のための適応密度擬似ラベル選択
- Authors: Tong Zhao and Qiang Fang and Shuohao Shi and Xin Xu
- Abstract要約: 半教師付きオブジェクト指向物体検出のためのAdaptive Dense Pseudo Label Selection (ADPLS)を提案する。
ADPLSは、平均的特徴リッチスコア(mFRS)を用いて、潜在的なオブジェクトの密度を推定し、このスコアを使用して、密度の高い擬似ラベルの数を調整する。
DOTA-v1.5ベンチマークでは,ラベル付きデータが少ない場合,提案手法は従来手法よりも優れていた。
- 参考スコア(独自算出の注目度): 18.636293511236545
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, dense pseudo-label, which directly selects pseudo labels from the
original output of the teacher model without any complicated post-processing
steps, has received considerable attention in semi-supervised object detection
(SSOD). However, for the multi-oriented and dense objects that are common in
aerial scenes, existing dense pseudo-label selection methods are inefficient
and impede the performance in semi-supervised oriented object detection.
Therefore, we propose Adaptive Dense Pseudo Label Selection (ADPLS) for
semi-supervised oriented object detection. In ADPLS, we design a simple but
effective adaptive mechanism to guide the selection of dense pseudo labels.
Specifically, we propose the mean Feature-Richness Score (mFRS) to estimate the
density of potential objects and use this score to adjust the number of dense
pseudo labels. On the DOTA-v1.5 benchmark, the proposed method outperforms
previous methods especially when labeled data are scarce. For example, it
achieves 49.78 mAP given only 5% of annotated data, which surpasses previous
state-of-the-art method given 10% of annotated data by 1.15 mAP. Our codes will
be available soon.
- Abstract(参考訳): 近年,教師モデルの本来の出力から擬似ラベルを複雑な後処理ステップなしで直接選択する擬似ラベルが,半教師対象検出(SSOD)において注目されている。
しかし、空中シーンに共通する多方向・高密度物体に対しては、既存の擬似ラベル選択法は非効率であり、半教師対象検出の性能を損なう。
そこで我々は,半教師付きオブジェクト指向物体検出のためのAdaptive Dense Pseudo Label Selection (ADPLS)を提案する。
ADPLSでは,高密度な擬似ラベルの選択を誘導するシンプルな適応機構を設計する。
具体的には,潜在的な物体の密度を推定するために平均特徴豊かさスコア(mfrs)を提案し,このスコアを用いて高密度擬似ラベル数を調整する。
DOTA-v1.5ベンチマークでは,ラベル付きデータが少ない場合,提案手法は従来手法よりも優れていた。
例えば、アノテートデータの5%しか与えられていない49.78 mAPは、アノテートデータの10%を1.15 mAPで上回っている。
私たちのコードはもうすぐ入手できる。
関連論文リスト
- Semi-Supervised Object Detection with Uncurated Unlabeled Data for
Remote Sensing Images [16.660668160785615]
半教師付きオブジェクト検出(SSOD)手法は、ラベルのないデータに対して擬似ラベルを生成することでこの問題に対処する。
しかし、現実の状況では、ラベルなしデータセット内の分布外サンプル(OOD)と分布内サンプル(ID)が混在する可能性がある。
未ラベルデータに対するOpen-Set Semi-Supervised Object Detection (OSSOD)を提案する。
論文 参考訳(メタデータ) (2023-10-09T07:59:31Z) - Ambiguity-Resistant Semi-Supervised Learning for Dense Object Detection [98.66771688028426]
本研究では,一段階検出器のためのAmbiguity-Resistant Semi-supervised Learning (ARSL)を提案する。
擬似ラベルの分類とローカライズ品質を定量化するために,JCE(Joint-Confidence Estimation)を提案する。
ARSLは、曖昧さを効果的に軽減し、MS COCOおよびPASCALVOC上で最先端のSSOD性能を達成する。
論文 参考訳(メタデータ) (2023-03-27T07:46:58Z) - Refined Pseudo labeling for Source-free Domain Adaptive Object Detection [9.705172026751294]
ソースフリーDは、未ラベルのターゲットデータのみを用いて、ソーストレーニングされた検出器をターゲット領域に適応させる。
既存のソースフリーD手法は、通常擬似ラベリングを利用しており、性能は信頼しきい値の選択に大きく依存している。
本稿では,各カテゴリに対して適切な閾値を適応的に提供する適応しきい値推定モジュールを提案する。
論文 参考訳(メタデータ) (2023-03-07T08:31:42Z) - Adaptive Self-Training for Object Detection [13.07105239116411]
オブジェクト検出のための自己評価手法(ASTOD)を提案する。
ASTODはスコアヒストグラムの基底値に基づいて閾値を決定する。
擬似ラベル付けの段階では, ラベル付き画像の異なるビューを用いて, 誤り予測の回数を減らす。
論文 参考訳(メタデータ) (2022-12-07T15:10:40Z) - Dense Teacher: Dense Pseudo-Labels for Semi-supervised Object Detection [83.8770773275045]
本稿では,スパースな擬似箱を擬似ラベルの統一型および単純型として高密度な予測に置き換えることを提案する。
擬似ボックスと比較すると、Dense Pseudo-Label (DPL) は後処理を一切含まないため、よりリッチな情報を保持することができる。
DPL を Dense Teacher として活用する SS-OD アルゴリズムを提案。
論文 参考訳(メタデータ) (2022-07-06T09:41:17Z) - PseudoProp: Robust Pseudo-Label Generation for Semi-Supervised Object
Detection in Autonomous Driving Systems [42.51709009844805]
本稿では,映像フレームにおける動きの連続性を利用して,ロバストな擬似ラベルを生成する手法を提案する。
提案手法は,mAP75において,最先端の半教師対象検出手法を7.4%向上させる。
論文 参考訳(メタデータ) (2022-03-11T15:09:29Z) - Delving into Probabilistic Uncertainty for Unsupervised Domain Adaptive
Person Re-Identification [54.174146346387204]
ドメイン適応型人物再識別のための確率的不確実性誘導プログレッシブラベル精錬(P$2$LR)という手法を提案する。
擬似ラベルの不確実性を測定し、ネットワークトレーニングを容易にする定量的基準を確立する。
本手法はDuke2Marketタスクではベースラインが6.5%,Market2MSMTタスクでは2.5%,最先端手法では2.5%を上回った。
論文 参考訳(メタデータ) (2021-12-28T07:40:12Z) - Self-Trained One-class Classification for Unsupervised Anomaly Detection [56.35424872736276]
異常検出(AD)は、製造から医療まで、さまざまな分野に応用されている。
本研究は、トレーニングデータ全体がラベル付けされておらず、正規サンプルと異常サンプルの両方を含む可能性のある、教師なしAD問題に焦点を当てる。
この問題に対処するため,データリファインメントによる堅牢な一級分類フレームワークを構築した。
本手法は6.3AUCと12.5AUCの平均精度で最先端の1クラス分類法より優れていることを示す。
論文 参考訳(メタデータ) (2021-06-11T01:36:08Z) - Rethinking Pseudo Labels for Semi-Supervised Object Detection [84.697097472401]
物体検出に適した確実な擬似ラベルを導入する。
我々は,クラス不均衡問題を緩和するために,各カテゴリの擬似ラベルと再重み付き損失関数を生成するために使用する閾値を動的に調整する。
提案手法では,COCOのラベル付きデータのみを用いて,教師付きベースラインを最大10%改善する。
論文 参考訳(メタデータ) (2021-06-01T01:32:03Z) - EHSOD: CAM-Guided End-to-end Hybrid-Supervised Object Detection with
Cascade Refinement [53.69674636044927]
本稿では,エンド・ツー・エンドのハイブリッド型オブジェクト検出システムであるEHSODについて述べる。
完全なアノテートと弱いアノテートの両方で、ワンショットでトレーニングすることができる。
完全なアノテートされたデータの30%しか持たない複数のオブジェクト検出ベンチマークで、同等の結果が得られる。
論文 参考訳(メタデータ) (2020-02-18T08:04:58Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。